Automatyczne szacowanie wskaźnika bezdech-spłycenie oddechu przy użyciu sieci neuronowych do wykrywania bezdechu sennego

Badani pacjenci są rekrutowani z oddziału snu „Hospital Universitario Río Hortega” (HURH) z Valladolid (Hiszpania). Wszyscy badani zostali przeniesieni do jednostki snu z powodu podejrzenia, że ​​cierpią na SAHS. Cały zbiór populacji jest następnie dzielony na zbiór uczący i testowy. Zbiór treningowy służy do tworzenia modelu regresji, natomiast zestaw testowy służy do dalszej oceny jego wydajności.

Standardowy wskaźnik bezdechu i spłycenia oddechu (AHI) z PSG służy do diagnozowania SAHS. Zgodnie z zasadami Amerykańskiej Akademii Medycyny Snu (AASM) bezdech definiuje się jako spadek sygnału przepływu powietrza większy lub równy 90% od wartości wyjściowej trwający co najmniej 10 s, podczas gdy spłycenie oddechu definiuje się jako spadek większy lub równy 50 % przez co najmniej 10 s, któremu towarzyszy desaturacja większa lub równa 3% i/lub pobudzenie. Pacjenci z AHI >= 10 zdarzeń na godzinę (e/h) są diagnozowani jako cierpiący na SAHS.

Przenośny pulsoksymetr (WristOX2 3150, Nonin) jest używany do ambulatoryjnej NPO. NPO przeprowadza się dzień bezpośrednio przed lub po PSG w domu pacjenta. Pacjenci są losowo przydzielani do przeprowadzenia badania NPO przed lub po wewnątrzszpitalnym PSG. Dodatkowo równocześnie z PSG prowadzona jest pulsoksymetria za pomocą przenośnego pulsoksymetru. Dlatego każdy pacjent ma 3 zapisy oksymetryczne: (i) SpO2 z przenośnego monitorowania bez nadzoru w domu, (ii) SpO2 z przenośnego monitoringu wewnątrzszpitalnego i (iii) SpO2 z nadzorowanego standardowego PSG wewnątrzszpitalnego.

SpO2 jest rejestrowane z częstotliwością próbkowania 1 Hz. Wszystkie zapisy SpO2 są zapisywane w osobnych plikach i przetwarzane w trybie offline. Przeprowadzany jest etap automatycznego wstępnego przetwarzania sygnału w celu usunięcia artefaktów.

Nasza metodologia jest podzielona na dwa etapy: ekstrakcję cech i rozpoznawanie wzorców. Zapisy oksymetryczne są parametryzowane za pomocą 16 cech z czterech podzbiorów cech, aby utworzyć początkowy zestaw cech z oksymetrii: statystyka w dziedzinie czasu, statystyka w dziedzinie częstotliwości, konwencjonalne miary widmowe i cechy nieliniowe. Wszystkie funkcje są obliczane dla każdego całonocnego nagrania.

• Cechy od 1 do 4. Momenty pierwszego do czwartego rzędu (M1t - M4t) w dziedzinie czasu: średnia arytmetyczna (M1t), wariancja (M2t), skośność (M3t) i kurtoza (M4t) są stosowane do ilościowego określenia tendencji centralnej, ilości odpowiednio dyspersja, asymetria i szczytowość.
• Cechy od 5 do 8. Momenty pierwszego do czwartego rzędu (M1f - M4f) w dziedzinie częstotliwości.
• Cecha 9. Mediana częstotliwości (MF), która jest zdefiniowana jako składowa zawierająca 50% mocy sygnału.
• Funkcja 10. Entropia widmowa (SE), która jest kwantyfikatorem zaburzenia związanym z płaskością widma.
• Cecha 11. Całkowita moc widmowa (PT), która jest obliczana jako całkowity obszar pod PSD.
• Cecha 12. Szczytowa amplituda (PA) w paśmie częstotliwości bezdechu, która jest lokalnym maksimum zawartości widmowej w zakresie częstotliwości 0,014 - 0,033 Hz.
• Funkcja 13. Moc względna (PR), która jest stosunkiem obszaru objętego PSD w paśmie częstotliwości bezdechu do całkowitej mocy sygnału.
• Cecha 14. Entropia próbki (SampEn), która kwantyfikuje nieregularność w szeregach czasowych, przy czym większe wartości odpowiadają bardziej nieregularnym danym.
• Funkcja 15. Środkowa miara tendencji (CTM), która zapewnia miarę zmienności z wykresów różnic drugiego rzędu.
• Funkcja 16. Złożoność Lempela - Ziva (LZC), która jest miarą złożoności związaną z szybkością nowych podsekwencji i ich powtarzalnością wzdłuż sygnału.

Drugi etap odpowiada analizie regresji, której celem jest dostarczenie analitycznego wyrażenia dla AHI jako funkcji wyodrębnionych cech. Wykorzystywana jest wielowarstwowa sieć neuronowa perceptron (MLP). Sieci MLP to modele wyrażania wiedzy przy użyciu koneksjonistycznego paradygmatu inspirowanego ludzkim mózgiem. Składają się z wielu prostych jednostek lub neuronów zwanych perceptronami. Perceptrony są ułożone w kilku połączonych ze sobą warstwach. Każde połączenie sieciowe między dwoma z nich jest powiązane z parametrem adaptacyjnym sieci lub wagą. Sieci MLP z pojedynczą warstwą ukrytą złożoną z nieliniowych perceptronów (tj. z nieliniową funkcją aktywacji) są implementowane, ponieważ są zdolne do uniwersalnej aproksymacji. Proponowane zadanie regresji ma na celu przybliżenie jednowymiarowej zmiennej ciągłej reprezentującej AHI. W związku z tym wymagana jest pojedyncza jednostka wyjściowa z liniową funkcją aktywacji.